GraphCloak：保护图结构数据中任务特定知识免遭未授权利用
密码学与安全
2023-10-12 v1
摘要
随着图神经网络（GNNs）在社会网络分析到蛋白质-蛋白质相互作用研究等众多领域的日益普及，关于个人数据被未授权利用的担忧不断加剧。近期研究表明，难以察觉的投毒攻击是保护图像数据免遭此类滥用的有效方法。然而，该方法在图领域的有效性仍未被探索。为弥补这一空白，本文提出 GraphCloak 以防止图数据的未授权使用。相较先前工作，GraphCloak 具有独特且显著的创新：（1）面向图，扰动同时施加于图的拓扑结构与描述性特征；（2）有效且隐蔽，我们的掩蔽方法可绕过多种检测，同时使在掩蔽图上训练的 GNNs 性能显著下降；（3）跨设置稳定，在有限知识的一系列实际设置下，我们的方法始终有效。为解决棘手的双层优化问题，我们提出了两种基于误差最小化的投毒方法，分别针对结构与特征空间的扰动，以及一种子图注入投毒方法。我们对这些方法的综合评估凸显了其有效性、隐蔽性与稳定性。我们还深入探讨了潜在的对策，并为其有效性提供分析依据，为引人入胜的未来研究铺平道路。
引用
@article{arxiv.2310.07100,
title = {GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation},
author = {Yixin Liu and Chenrui Fan and Xun Chen and Pan Zhou and Lichao Sun},
journal= {arXiv preprint arXiv:2310.07100},
year = {2023}
}